用图片数据集训练神经网络 tensorflow

        为了学tensorflow，网上教程看了不少，大部分是利用mnist数据集，但是大部分都是利用已经处理好的非图片形式进行训练的；而且很多人都说不要自己造轮子，直接跑别人的代码，然后修改和学习，不过我觉得其实从数据集，到训练，到测试写下来，也有不少收获的。

        本篇博客主要讲的是如何将自己的图片数据集进行处理，然后搭建神经网络结构，训练数据，保存和加载模型，测试等过程，其中利用mnist图片数据集(mnist)，代码(Github)。下面我分步讲解一下，跟大家一起学习。参考博客附后。

         如前文所述，现在的入门教程基本是跑mnist代码，但是数据集是处理后的，那么如何处理自己的图像数据集？首先要将图片数据集制作成tfrecords格式的数据。简单的说，tfrecords是一种tensorflow方便快速读取数据的一种二进制文件，适用于大量数据的处理。下面的代码将说明如何将图像制作成tfrecords文件，该mnist图片数据集大小为(28,28,3)。

# current work dir
cwd = os.getcwd()

# data to int64List
def _int64_feature(value):
    return tf.train.Feature(int64_list = tf.train.Int64List(value=[value]))
# data to floatlist
def _float_feature(value):
    return tf.train.Feature(float_list = tf.train.FloatList(value=[value]))
# data to byteslist
def _bytes_feature(value):
    return tf.train.Feature(bytes_list = tf.train.BytesList(value=[value]))

# convert image data to tfrecords
def generate_tfrecords(data_dir,filepath):
    # gen a tfrecords object write
    write = tf.python_io.TFRecordWriter(filepath)
    #print cwd
    for index,name in enumerate(num_classes):
	#print class_path
	file_dir = data_dir + name + '/'
	for img_name in os.listdir(file_dir):
	    img_path = file_dir + img_name
	    print img_path
	    img = cv2.imread(img_path)
	    img_raw = img.tobytes()
	    example = tf.train.Example(features=tf.train.Features(feature={
					'label':_int64_feature(index),
					'img_raw':_bytes_feature(img_raw)}))
	    # convert example to binary string
	    write.write(example.SerializeToString())
    write.close()

        tf.python_io.TFRecordWriter返回一个writer对象用于将data_dir制作后的数据存入filepath中保存，该文件就是tfrecords文件。另外，tf.train.Example将数据处理成key-value(在这里就是标签-图像)的格式返回一个example对象。最后writer将数据写到filepath中，关闭writer，就完成了图片数据到二进制文件的制作过程。
       制作完成之后，在神经网络中如何读取和解析呢？如下代码

# read and decode tfrecord
def read_and_decode_tfrecord(filename):
    # produce file deque
    filen